AI Augmented Analysis in digital biostratigraphy - palynology

Biostratigrafi omhandler det å aldersbestemme bergarter ut fra fossilt materiale fra planter og dyr. Innholdet i enhver biostratigrafisk prøve varierer med alder, geografi og avsetningsmiljøet der prøven ble dannedet. I undersøkelser av geologien i undergrunnen (f. eks. innenfor olje- og gassindustrien) gjøres dette ved å studere i mikroskop innholdet av mikrofossiler; Dette kan være pollen, sporer, alger og marine plankton, og så manuelt identifisere og telle disse i hver prøve. Arbeidet krever en høy grad av kunnskap og er tidskrevende, da en enkelt prøve kan innholde mange tusen palynomorfer. Selv en erfaren biostratigraf kan kun analysere en håndfull prøver per dag. Med inspirasjon fra nye teknologiske fremskritt innen det medisinske feltet patologi hvor biologiske prøver blir skannet til et digitalt bilde og analysert av en kunstig intelligens (KI), så har dette prosjektet benyttet digital scanne-teknikk og en KI for å finne og identifisere fossile palynomorfer. Prosjektet har hatt tre faser. Det ble utvalgt konvensjonelle palynologiske slides fra forskjellige sedimentære prøver av jurassisk til neogen alder, som representerte forskjellige avsetningsmiljøer, dybder under havoverfladen, og fossil bevaringsgrad. I den første fasen utførte og studerte teamet på APT hvordan analyse av digitale scannede bilder av palynologiske prøver skiller seg fra konvensjonell analyse i mikroskop. Målet med dette var å avgjøre om oppløsningen i de scannede prøvene var detaljerte nok for analyse av samme kvalitet som i mikroskop, men også for å identifisere andre eventuelle problemer med de digitale slidene når det gjelder anvendelighet for maskinlæring og KI-analyse. Vi fandt ut at analyse av en digital slide på skjerm i snitt tok 40–50 minuter lengere tid enn analysen i mikroskopet som normalt tok mellom 1–3 timer beroende på prøvens innhold og palynomorfenes bevaringsgrad. De overordnede resultatene fra de to forskellige analysmetodene adskiller seg ikke mye fra hverandre. Prøverne ble daterte til samme alder i begge tilfeller, og tolkning af avsetningsmiljø var i de fleste tilfeller den samme. Vi noterede at det i palynologiske slides som ble produseret med konvensjonell palynologisk prepareringsteknikk for rutinemessig biostratigrafisk analyse ofte forekommer at det palynologiske materiale er ujevnt utspredt i flere lag og/eller at det er for tett med materiale slik at palynomorfer overlapper hverandre, noe som resulterte i identifikasjonsproblemer med de digitale slides; Dette ville vare et ennå større problem for en KI enn for en biostratigraf. Basert på resultaterne i den første fase, testet teamet hos APT flere forskellige justeringer av prepareringsmetoden og utviklede en protokoll før optimert palynologisk prepareringsprosedyre som sikrer høy kvalitet på de scannede digitale slides. De nye palynologiske slides fra fase 2 ble også scannet digitalt og analysert på den samme måten som mikroskop-slidene og de digitale slidene i fase 1. Resultatene viser at digitale scannede høyoppløselige palynologiske slides gir resultater som er tett på samme kvalitet som oppnås med manuell mikroskop-analyse, men at justeringer i den palynologiske prepareringsjteknikk er nødvendige for å produsere slides som er egnet til maskinlæring og KI. I den tredje fase av prosjektet har vi brukt billdegjenkenning og maskinlæring for å utvikle en kunstig intelligens (KI) software for analyse av palynologiske slides. KI-softwaren, som ble utviklet hos Simula Research Laboratory på oppdrag fra APT, består av flere moduler; Data prosessering og læring, gjenkjenning og identifikasjon, og gruppering (clustering) av palynomorfer efter utvalgte parametere. For opplæring av KI i læringsmodulen bygget vi på APT opp en omfattende database av annoterede digitale eksempler på ulike palynomorfer. I det utviklede brukergrensesnitt kan digitale palynologiske slides lastes opp og dersom de inneholder annoteringer så kan disse inspiseres. Det kan utføres gjenkjenning av palynomorfer som AI:en lærte å kjenne og brukeren kan enten godkjenne KI-softwarens identifisering eller avvise og gi nytt navn ved behov. I brukergrensesnittet kan brukeren også se hvor sikker AI:en er på sin identifikasjon og hvor mange eksemplarer av hver art den har funnet. Det kan også utføres clustering av palynomorfer etter visse parametere. Forbedringene i den palynologiske preparasjonsteknikken sikrer høyere kvalitet I de digitale scannede palynologiske slides, sammen med den utviklede KI-softwaren som kan gjenkjenne og kvantifisere palynomorfer i scannede slides, har potensiale for å endre hvordan biostratigrafi blir brukt i geologiske undersøkelser som for eksempel innenfor petroleumsindustrien. Denne nye teknologien kommer til å ha betydning for hvordan planleggning, boring og vurdering av geologiske undersøkelser utføres, og kommer også til å ha stor betydning innenfor risikovurdering, og dermed vil den være et verdifullt bidrag til å nå bærekraftige mål.

The results of the project have shown that digitally scanned high-resolution palynological slides can be used for image recognition, and that adjustments in the preparation method used to produce the palynological microscope slides are needed to ensure optimal quality for scanning and for image recognition and machine learning. The developed artificial intelligence (AI) software is capable of detecting, recognizing and identifying palynomorphs, as well as clustering palynomorphs after selected parameters. The developed AI software has the potential to change how commercial and academic palynologist plan, execute and interpret their data. The digitalization of samples and analysis has an impact on how palynologist share data, cooperate and exchange knowledge and experience. The AI software has the possibility of being deployed as a cloud based software, potentially allowing multiple users to contribute to its database. Larger and more statistically accurate data sets further provide new possibilities in areas such as paleoenvironmental and paleoclimate research. The developed AI software also has the potential of being used in biostratigraphic training of future palynologists. Together, the improvements to the palynological preparation technique that ensures higher quality digitally scanned images of palynological slides, and the developed AI software which can detect, identify and quantify palynomorphs in the scanned slides, have the potential to change how biostratigraphy is used by oil companies. The new technique is expected to have an impact on planning, drilling and evaluation of wells and formations and will be an important aspect of risk management and a valuable contribution to sustainable development goals.

Biostratigraphy, using fossils to date rocks, is obligatory for all exploration wells drilled in the offshore Norwegian Sector. It is used to help understand the sub-surface geology and to correlate sections in wells both within fields and on a larger regional scale. Although biostratigraphic data was part of the digital revolution in the industry of the 1980’s, the actual study of the microfossils with a microscope and prepared glass slides has changed very little in the past decades. By using image digitalisation and Artificial Intelligence a technique can be developed to scan microscope slides into a digital high-resolution image and an AI software specifically developed for this usage will find, identify and quantify the fossil content. With this new analysis method, we believe that we can not only decrease the time used for analyses but also obtaining data at a more statistically accurate level and mitigate human inconsistencies and biases. With 3-dimentional microfossils that need to be identified in a 2-dimentional view, based on several morphological parameters, the image recognition software needs to identify fossils from different angles, poorly preserved and fragmented fossils, as well as partially hidden or folded fossils. A species can also have a morphological range and evolution. This morphological and evolutionary complexity is the base for the research needed to develop the AI software. Within this project we intend to establish if the digital scans of the biostratigraphical samples have the resolution needed to be used for quantitative analyses, we will also develop a sample preparation process to reliably produce the best digital samples possible. We will then design and develop an Artificial intelligence software for clustering and classification of microfossils based on deep-learning based algorithms for detection and segmentation of microfossils and algorithms based on autoencoders for extracting features predictive of different fossil types.